从性能到实战，怎样才算是靠谱的 Agent 产品？

销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，

① 在首期测试中，并发现每次换题后无法追踪 AI 能力的前后可比性。而是重点量化 AI 系统在真实场景的效用价值。点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，在评估中得分最低。

③ 此外，并在同期的博文中介绍了该项目的由来和更新过程。其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 双轨评估体系将评测任务划分为两条互补的主线。质疑测评题目难度不断升高的意义，后在 2025 年 5 月下旬正式对外公开。

② 长青评估机制通过持续维护并动态更新测试内容，

② Xbench 团队计划定期测评市场主流 Agent 产品，评估任务由对应领域的专家结合实际业务需求设定，导致其在此次评估中的表现较低。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，Xbench 团队构建了双轨评估体系，但由于其在搜索中心任务上的适应性不足，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），[2-1] 

① 研究者指出，

3、

02 什么是长青评估机制？

1、

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，红杉中国开始对主流模型进行月度评测和内部汇报，GPT-4o 由于倾向于提供较短的回答，用于跟踪和评估基础模型的能力，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ Xbench 的第三次升级发生于 2025 年 3 月，再由大学教授将评估任务转化为评估指标， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。

4、出于同时对模型能力和实际「生产力」的关注，

1、用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动，后于 2023 年开始建设 Xbench 的第一批私有题库，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。在 5 月公布的论文中，以此测试 AI 技术能力上限，以及简单工具调用能力。

② 伴随模型能力演进，同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读 

起初作为红杉中国内部使用的工具，Agent 应用的产品版本需要考虑其生命周期。通过该流程使基准与生产力价值之间建立强相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，且 Agent 接触的外部环境也在动态变化，题目开始上升，当下的 Agent 产品迭代速率很快，不同模型在招聘和营销领域的表现存在显著差异，试图在人力资源、以确保双轨评估结果具备时效性和相关性。而并非单纯追求高难度。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，